自然語言處理在計(jì)算傳播學(xué)研究中的應(yīng)用、挑戰(zhàn)與機(jī)遇

石豪

[摘要]信息技術(shù)驅(qū)動(dòng)傳播學(xué)范式轉(zhuǎn)移，進(jìn)而增加了學(xué)科研究對文字?jǐn)?shù)據(jù)挖掘技術(shù)的依賴。文章嘗試梳理計(jì)算傳播學(xué)的背景和概念，分析計(jì)算傳播學(xué)的學(xué)科訴求與自然語言處理技術(shù)引入的必要性，闡述自然語言處理技術(shù)在計(jì)算傳播學(xué)中的應(yīng)用與面臨的挑戰(zhàn)，并對未來自然語言處理技術(shù)如何應(yīng)對學(xué)科問題提供有益思路。

[關(guān)鍵詞]計(jì)算傳播學(xué);自然語言學(xué)習(xí);研究范式

信息技術(shù)的發(fā)展推動(dòng)計(jì)算社會科學(xué)的興起。2009年Lazer等學(xué)者在《科學(xué)》雜志發(fā)表文章，提出信息技術(shù)強(qiáng)大的數(shù)據(jù)獲取和解析能力為社會學(xué)研究范式變革和互聯(lián)網(wǎng)上人類社會行為的研究提供了新的機(jī)會。計(jì)算社會學(xué)通過考察網(wǎng)絡(luò)空間中海量的人類行為數(shù)據(jù)，來消除異質(zhì)性和噪聲因素，使其可以分析復(fù)雜的社會系統(tǒng)，關(guān)注系統(tǒng)中的社會現(xiàn)象，豐富人們的社會認(rèn)知，提高學(xué)科理論建構(gòu)深度和跨學(xué)科研究的關(guān)注度[1]。

計(jì)算社會科學(xué)視角促進(jìn)傳播學(xué)范式轉(zhuǎn)型。計(jì)算社會學(xué)對海量數(shù)據(jù)的利用，豐富了傳播學(xué)獲取數(shù)據(jù)和預(yù)處理數(shù)據(jù)的有效途徑。計(jì)算社會學(xué)的計(jì)算分析方法為傳播學(xué)要素的數(shù)據(jù)挖掘、分析和檢驗(yàn)提供了多種方式。計(jì)算社會學(xué)中網(wǎng)絡(luò)科學(xué)研究為傳播學(xué)提供了方法和工具，同時(shí)拓展了傳播學(xué)研究對象的邊界。計(jì)算社會學(xué)對傳播學(xué)學(xué)科的創(chuàng)新引起了Cohen等學(xué)者的注意。他們于2011年提出通過信息技術(shù)發(fā)展新聞傳播學(xué)這一有價(jià)值的洞見。隨后，祝建華和王成軍等學(xué)者在2014年提出建立計(jì)算傳播學(xué)這一研究領(lǐng)域。2015年，第一本計(jì)算傳播學(xué)圖書《社交網(wǎng)絡(luò)上的計(jì)算傳播學(xué)》出版。

經(jīng)過幾年的發(fā)展，有關(guān)計(jì)算傳播學(xué)在國內(nèi)外期刊的學(xué)術(shù)論文數(shù)量和引用率都有顯著提高。計(jì)算傳播學(xué)研究取向逐漸受到傳播學(xué)者關(guān)注，北京師范大學(xué)、南京大學(xué)、復(fù)旦大學(xué)、中國人民大學(xué)等高校的多名學(xué)者以計(jì)算傳播學(xué)作為目前的主要研究方向，python和機(jī)器學(xué)習(xí)等計(jì)算傳播學(xué)常用知識逐漸被引入傳播學(xué)研究生課程中[2]。

結(jié)合王成軍于2014年提出的計(jì)算傳播學(xué)定義[3]，計(jì)算傳播學(xué)是以信息技術(shù)和網(wǎng)絡(luò)科學(xué)為數(shù)據(jù)收集和分析工具，尋找人類傳播現(xiàn)象中的可量化基因，用于描述傳播現(xiàn)象、傳播結(jié)構(gòu)、傳播過程和解釋傳播各要素之間的因果關(guān)系的一門傳播學(xué)新興研究取向和范式。

一、計(jì)算傳播學(xué)研究訴求與自然語言處理的引入

計(jì)算傳播學(xué)帶來的傳播學(xué)范式調(diào)整是多方面的。一方面，計(jì)算傳播學(xué)使得傳播現(xiàn)象的研究不拘泥于功能研究，而是對復(fù)雜多元的傳播現(xiàn)象和群體特征的描述，并進(jìn)而提煉出新的研究主題及其背后意義。另一方面，計(jì)算傳播學(xué)可以較好地平衡研究者的主觀思想和文本研究的客觀性要求。信息技術(shù)使得學(xué)科可以關(guān)注假設(shè)之外的碎片化、小概率且大容量的事件信息，探究背后真正的傳播要素[4]。

計(jì)算傳播學(xué)研究范式對文字文本研究相關(guān)工具具有迫切需求。文字文本是新聞傳播研究的重要對象，也是在計(jì)算傳播學(xué)研究中數(shù)據(jù)獲取、挖掘和分析的主要內(nèi)容。相比圖像數(shù)據(jù)，網(wǎng)絡(luò)空間中的文字文本具有容易獲取、數(shù)據(jù)處理所需背景知識相對較少、數(shù)據(jù)計(jì)算量小等優(yōu)勢。圖像數(shù)據(jù)通常是矩陣格式的RGB像素組成的集合，對圖像數(shù)據(jù)的處理需要運(yùn)用圖像處理和計(jì)算機(jī)視覺等相關(guān)學(xué)科知識，而文字文本占用空間極小，同時(shí)也不需要圖形、圖像的背景知識，符合傳統(tǒng)新聞傳播學(xué)者的研究習(xí)慣，增加了研究的可及性。因此，文字在計(jì)算傳播學(xué)中具有更廣泛的應(yīng)用。

然而，社交網(wǎng)絡(luò)上的數(shù)據(jù)來源缺乏管制，使計(jì)算傳播學(xué)研究面臨巨大挑戰(zhàn)。網(wǎng)絡(luò)數(shù)據(jù)的獲取和分析是計(jì)算傳播學(xué)研究的必修課。許多學(xué)者傾向于直接獲取網(wǎng)絡(luò)提供的數(shù)據(jù)和依賴數(shù)據(jù)來源已經(jīng)提供的數(shù)據(jù)框架，如國家統(tǒng)計(jì)局、twitter數(shù)據(jù)接口、Gdelt新聞地圖[1]和WOS索引中的SCI/SSCI論文分析等。網(wǎng)絡(luò)對數(shù)據(jù)的管制涉及隱私問題和商業(yè)機(jī)密，所以社交媒體平臺通常不會公開數(shù)據(jù)API。尤其是劍橋丑聞后[5]，網(wǎng)絡(luò)隱私研究持續(xù)受到公眾輿論壓力，各大網(wǎng)絡(luò)平臺開始收緊數(shù)據(jù)開源接口。

綜上，計(jì)算傳播學(xué)中需要一套行之有效的機(jī)器文字語義識別方法作為網(wǎng)絡(luò)空間的語義文本分析工具，用來提升數(shù)據(jù)獲取能力、處理效率和分析能力，進(jìn)而滿足個(gè)性化、定制化的數(shù)據(jù)獲取、組織和處理需求。這時(shí)，自然語言處理技術(shù)開始進(jìn)入計(jì)算傳播學(xué)者的視野，成為計(jì)算傳播學(xué)文本研究的得力工具。

自然語言處理（natural language processing，簡稱NLP）技術(shù)是實(shí)現(xiàn)機(jī)器與人進(jìn)行語言互動(dòng)的各種理論和方法。它主要處理的是語言和音頻等非結(jié)構(gòu)化的數(shù)據(jù)，它可以幫助機(jī)器理解、解釋人類語言，使得機(jī)器與人進(jìn)行語言互動(dòng)。NPL有自然語言理解和自然語言生成兩大核心功能。前者幫助機(jī)器理解人類語言，后者讓機(jī)器可以與人溝通。自然語言處理的原理是通過預(yù)處理過程將非結(jié)構(gòu)內(nèi)容標(biāo)準(zhǔn)化，被標(biāo)準(zhǔn)化的內(nèi)容可以被機(jī)器正確解析，并實(shí)現(xiàn)特定功能。其中，對語言的預(yù)處理需要經(jīng)過分詞（Tokenization）、詞干提?。⊿temming）、詞形還原（Lemmatization）、詞性標(biāo)注（Parts of Speech）、命名實(shí)體識別 （NER）、分塊 （Chunking）六個(gè)步驟。標(biāo)準(zhǔn)化過程可以通過機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩種方法實(shí)現(xiàn)。機(jī)器學(xué)習(xí)包括語料預(yù)處理、特征工程和選擇分類器三個(gè)步驟;深度學(xué)習(xí)包括語料預(yù)處理、設(shè)計(jì)模型和訓(xùn)練模型三個(gè)過程。

在計(jì)算傳播學(xué)研究中，基于機(jī)器學(xué)習(xí)的自然語言處理方法較為常用，它包括四種分析方法。一是文本分類。文本分類通常包括監(jiān)督學(xué)習(xí)，即在訓(xùn)練集中同時(shí)給出特征向量和標(biāo)簽，完善模型分類方法。二是文本聚類。文本聚類是無監(jiān)督學(xué)習(xí)方法，在模型訓(xùn)練中僅僅給出特征向量和分類數(shù)目，機(jī)器通過分析樣本特征向量相似性，對其進(jìn)行聚類，最終達(dá)到分類的目的。三是關(guān)聯(lián)分析。關(guān)聯(lián)分析主要是找出特征向量和結(jié)果之間的簡單關(guān)聯(lián)性、時(shí)序關(guān)聯(lián)性和因果關(guān)聯(lián)性。四是趨勢預(yù)測。趨勢預(yù)測是通過已有數(shù)據(jù)得到時(shí)間序列分布，找到變化趨勢，以達(dá)到數(shù)據(jù)預(yù)測的目的[6]。

二、自然語言處理在計(jì)算傳播學(xué)中的應(yīng)用

自然語言學(xué)習(xí)目前在計(jì)算傳播學(xué)中應(yīng)用較廣的功能是詞頻分析、情感分析和語義建模。

第一是詞頻分析。詞頻分析是計(jì)算傳播學(xué)者經(jīng)常使用的功能之一。百度指數(shù)、微博熱度、抖音熱榜等網(wǎng)站熱詞排名原理是根據(jù)分布式大數(shù)據(jù)系統(tǒng)流處理方法，對經(jīng)過自然語言學(xué)習(xí)“分詞”技術(shù)預(yù)處理后的詞語信息進(jìn)行數(shù)量統(tǒng)計(jì)。而大多數(shù)學(xué)者研究時(shí)通常利用第三方分詞庫對特定爬取文本數(shù)據(jù)進(jìn)行詞頻分析。

在傳播者研究中，Wu等人（2011）通過對Twitter用戶進(jìn)行隨機(jī)抽樣、設(shè)定關(guān)鍵詞找到了54萬關(guān)鍵用戶，通過關(guān)注度和發(fā)帖量鎖定了意見領(lǐng)袖和普通用戶;Himelboim等學(xué)者發(fā)現(xiàn)話題注意力分布在服從冥率分布，論證了公眾輿論傳播的不平等性[7]。在受眾研究中，祝建華和Fu等學(xué)者都通過社交網(wǎng)絡(luò)上的發(fā)帖和接收頻率來尋找受眾，發(fā)現(xiàn)了社交網(wǎng)絡(luò)用戶的動(dòng)態(tài)流動(dòng)性，并將受眾區(qū)分為“圍觀者”“潛水員”“單篇作者”[6]。在內(nèi)容研究中，有學(xué)者根據(jù)網(wǎng)絡(luò)搜索詞對公眾注意力進(jìn)行追蹤，如流行詞、熱詞、幸福指數(shù)等測量效度[2]。哈佛大學(xué)利用掃描500多萬種出版物關(guān)鍵詞的詞頻來分析語言與社會變遷。在傳播渠道研究中[7]，Petrovic等學(xué)者通過統(tǒng)計(jì)70多天中新聞對各種事件報(bào)道的數(shù)量，發(fā)現(xiàn)社交媒介與傳統(tǒng)媒體在新聞時(shí)效性上相似。在效果研究中，Zhao等學(xué)者通過分析強(qiáng)國論壇中的帖子數(shù)、媒體報(bào)道數(shù)和公眾采納數(shù)，分析公眾輿論的宏觀效果[7]。

第二是情感分析。情感分析的本質(zhì)是利用算法依照特定的情感類型對文本進(jìn)行分類處理，如積極與消極、高興與悲傷等類型。情感分析任務(wù)包括情感分類、主觀性判斷、意見總結(jié)、字典分析和評論有效性分析等[6]。通過情感分析算法，學(xué)者可以對網(wǎng)絡(luò)空間的文字信息的評價(jià)對象和被評價(jià)主體、傳播話題內(nèi)容和情感傾向、意見傳播的時(shí)間進(jìn)行態(tài)度分析。

一些學(xué)者將情感分析用在電商消費(fèi)者口碑傳播分析中，他們把評分的高低作為消費(fèi)者積極或消極的指標(biāo);或者通過人工標(biāo)注、詞典匹配和共生詞網(wǎng)絡(luò)來分析消費(fèi)者主觀評價(jià)的情感傾向[6]。情感分析還可以用于虛假信息的判定。如Jindal和Cupia等學(xué)者通過分析同一用戶對存在競爭關(guān)系的商家評價(jià)的差異度，來分析信息的真實(shí)度和水軍散布流言的方式。情感分析還被學(xué)者用來分析社交媒介人群的情感傾向[7]，研究幸福感、孤獨(dú)感、抑郁感，以及情緒傳染網(wǎng)絡(luò)傳播結(jié)構(gòu)和趨同性。如Dodds等學(xué)者通過對Twitter用戶分析發(fā)現(xiàn)人的情緒與節(jié)日有關(guān);Zhao等學(xué)者通過情緒分析微博用戶對新聞事件的看法;Fowler等學(xué)者發(fā)現(xiàn)了社交媒介的群體情緒傳染現(xiàn)象[6]。

第三是語義建模。人類的語言非常復(fù)雜，每個(gè)詞語在不同的環(huán)境下具有不同的含義，而語義建模就是通過算法結(jié)合語境對詞語背后隱含的意義進(jìn)行解讀。這一技術(shù)在計(jì)算傳播學(xué)中應(yīng)用較為成熟的技術(shù)是主題解析，即找到所述內(nèi)容所屬的主題類型。

基于此，計(jì)算傳播學(xué)可以研究網(wǎng)絡(luò)社交媒介場景下的傳播者。如祝建華等人探討了媒體、政黨和專業(yè)博客在不同主題傳播中的議程設(shè)置策略。在對社交媒介中的受眾進(jìn)行分類和描述中，Benevenuto 等人找到了社交媒介內(nèi)容生產(chǎn)者和消費(fèi)者之間的比例關(guān)系。在媒介生態(tài)研究中，對于“內(nèi)容為王”還是“渠道為王”之間的爭論是學(xué)者熱議的話題[8]。Zhao 等人通過內(nèi)容建模對《紐約時(shí)報(bào)》和Twitter中的新聞內(nèi)容主題進(jìn)行分類，不但找到了不同場景下內(nèi)容闡述最多的主題，而且區(qū)分了以事件為導(dǎo)向的話題、以人物及組織為導(dǎo)向的話題和持續(xù)性話題。Qin等學(xué)者結(jié)合語義挖掘工具找到了“棱鏡門”媒體呈現(xiàn)的框架[9]。網(wǎng)絡(luò)空間的數(shù)字痕跡給傳播結(jié)構(gòu)和渠道的研究帶來了便利，如數(shù)字信息的擴(kuò)散網(wǎng)絡(luò)和數(shù)字媒體與傳統(tǒng)媒體信息擴(kuò)散的差異性[10]。Kwak 等人發(fā)現(xiàn)社交媒介中的信息主題擴(kuò)散傾向于廣度; Kim 等人發(fā)現(xiàn)新聞擴(kuò)散與新聞主題類型的關(guān)系;Digg等學(xué)者發(fā)現(xiàn)社交媒體中的協(xié)同過濾與集體把關(guān)現(xiàn)象[7]。在效果研究中，主題識別被用于研究新聞傳播對受眾的影響，如研究通過提取論壇網(wǎng)絡(luò)用戶的語義，對比用戶知識框架和闡述的異同。還有一些學(xué)者通過主題識別找到社交網(wǎng)絡(luò)人類行為傳播特征，如惡性行為、合作行為、導(dǎo)致肥胖行為、吸煙行為、飲酒行為、睡眠行為等[7]。

三、自然語言處理在計(jì)算傳播學(xué)研究中面臨的挑戰(zhàn)

（一）自然語言處理技術(shù)的局限性導(dǎo)致了計(jì)算傳播學(xué)研究的局限性

自然語言處理算法一種是依賴人工的監(jiān)督學(xué)習(xí)算法，還有一種是非監(jiān)督學(xué)習(xí)的聚類算法。這兩種算法都難以滿足人們對海量數(shù)據(jù)進(jìn)行精確處理的需求。由于算法無法直接找到最精確的文字語義，傳播學(xué)者只能退而求其次，選擇詞頻分析、情感分析和主題分析作為研究的主要方式[4]。

（二）自然語言處理技術(shù)的局限性導(dǎo)致了技術(shù)工具的適用性問題

自然語言處理算法直接影響了數(shù)據(jù)處理結(jié)果。然而，大多數(shù)傳播學(xué)者不具有很強(qiáng)的算法研究能力。因此，傳播學(xué)者在運(yùn)用自然語言處理作為工具的時(shí)候，往往利用別人已經(jīng)封裝完成的NLP框架，無法根據(jù)特定應(yīng)用場景需求制作定制化框架，進(jìn)而無法滿足各類個(gè)性化研究的需求。這樣一方面會導(dǎo)致同一組數(shù)據(jù)結(jié)果出現(xiàn)偏差和雷同，另一方面會導(dǎo)數(shù)據(jù)無法被充分有效利用。由于不了解算法構(gòu)造，因此自然語言處理算法對傳播學(xué)者來說就是一個(gè)無法解釋的黑箱。他們無法證明支撐整個(gè)研究邏輯的關(guān)鍵變量是否可控，也無法證明通過算法得出的數(shù)據(jù)結(jié)論是否有效。

（三）自然語言處理技術(shù)的局限性導(dǎo)致了研究方法的僵化和同質(zhì)化

自然語言處理方法為傳播學(xué)者提供了有力的文字文本分析工具，使其得以分析網(wǎng)絡(luò)空間中的海量文字?jǐn)?shù)據(jù)，但自然語言處理技術(shù)的局限性和傳播學(xué)者對技術(shù)了解不夠深入導(dǎo)致技術(shù)框架被重復(fù)、不科學(xué)的利用，一定程度上也帶來了研究方式的僵化[11]。

（四）研究方法的同質(zhì)性導(dǎo)致了理論研究難以突破

計(jì)算傳播學(xué)的研究大多是傳統(tǒng)社會學(xué)經(jīng)驗(yàn)研究的延續(xù)，研究過程逐漸演變成對原有理論更加精細(xì)化的論證和描述，難以開發(fā)出新的理論。許多文章是對已知理論和常識的解釋和論證，而不是對未知問題的求解。

四、未來自然語言處理帶給計(jì)算傳播學(xué)的機(jī)遇

自然語言處理技術(shù)不斷發(fā)展為計(jì)算傳播學(xué)帶來了新的可能，也為應(yīng)對計(jì)算傳播學(xué)研究中的諸多問題提供了新的思路。

第一，2017年谷歌團(tuán)隊(duì)提出的Transformer自然語言模型利用attention結(jié)構(gòu)代替了lstm機(jī)制，其不但可以有效地分析全局信息，而且在計(jì)算復(fù)雜度和準(zhǔn)確度上也全面超越了RNN和CNN?；趖ransformer模型的相關(guān)研究成果有可能衍生出新的更加精細(xì)化、可及性和定制化的文本挖掘技術(shù)，進(jìn)而為未來自然語言處理在計(jì)算傳播學(xué)中的應(yīng)用提供新方法[12]。

第二，自然語言閱讀理解技術(shù)的快速迭代為計(jì)算傳播學(xué)文本的精細(xì)化、定制化研究帶來了曙光。自然語言閱讀理解（MRC）算法使機(jī)器可以根據(jù)語境理解語言含義，總結(jié)歸納提煉要點(diǎn)，著力解決語言的多樣性、歧義性、魯棒性和知識依賴，經(jīng)過MRC到KBMRC（知識依賴的機(jī)器閱讀理解，Knowledge-Based Machine Reading Comprehension）技術(shù)有著顯著提高，但在“檢測無法回答的問題”和“合理答案的區(qū)分”等方面仍面臨許多難題[13]。

第三，在計(jì)算傳播學(xué)的研究中，人們通常是先提出模型，再通過統(tǒng)計(jì)學(xué)等學(xué)科進(jìn)行關(guān)聯(lián)性驗(yàn)證。然而，文字文本數(shù)據(jù)中通常包含許多難以察覺的隱含變量。這些變量具有小樣本、離散和高維等特點(diǎn)，無形中增加了模型設(shè)計(jì)的難度。而基于無監(jiān)督學(xué)習(xí)的自然語言處理技術(shù)可以在先不給出具體模型的情況下，直接挖掘數(shù)據(jù)的特征向量[14]，因此，能夠察覺到這些隱含變量，進(jìn)而彌補(bǔ)假設(shè)模型的先天性不足。

第四，自然語言處理將進(jìn)一步推動(dòng)計(jì)算傳播學(xué)研究的客觀性。為了縮短計(jì)算傳播學(xué)與客觀的“科學(xué)”之間的距離，計(jì)算傳播學(xué)者一直在致力于用更加客觀的方式研究傳播對象，隨著自然語言處理技術(shù)不斷進(jìn)步，其準(zhǔn)確性和客觀性將大大提高。比如，計(jì)算傳播學(xué)者將調(diào)查問卷和訪談替換成了信息技術(shù)挖掘下的數(shù)據(jù)集和驗(yàn)證集，通過海量數(shù)據(jù)弱化個(gè)體間的異質(zhì)性等。

第五，自然語言處理催生的傳播模式和倫理探討。除了語言理解，自然語言處理的另一個(gè)重要功能是自然語言生成，其應(yīng)用場景為數(shù)據(jù)新聞，如機(jī)器文字寫作、社交機(jī)器人和AI論文等。隨著自然語言處理技術(shù)的發(fā)展，網(wǎng)絡(luò)空間將出現(xiàn)更多機(jī)器生成的文字文本，同時(shí)也為計(jì)算傳播學(xué)的研究對象、模式和倫理提供了新的議題。

[參考文獻(xiàn)]

[1]王成軍.計(jì)算傳播學(xué)的起源、概念和應(yīng)用[J].編輯學(xué)刊，2016（03）：59-64.

[2]王成軍.計(jì)算社會科學(xué)視野下的新聞學(xué)研究：挑戰(zhàn)與機(jī)遇[J].新聞大學(xué)，2017（04）：26-32，146.

[3]王成軍.計(jì)算傳播學(xué)：作為計(jì)算社會科學(xué)的傳播學(xué)[J].中國網(wǎng)絡(luò)傳播研究，2014（00）：193-206.

[4]谷羽.語義網(wǎng)絡(luò)分析方法在傳播學(xué)中的應(yīng)用及批判[J].現(xiàn)代傳播（中國傳媒大學(xué)學(xué)報(bào)），2019（04）：155-159.

[5]李曉靜，付思琪.智能時(shí)代傳播學(xué)受眾與效果研究：理論、方法與展望—與香港城市大學(xué)祝建華教授，斯坦福大學(xué)杰佛瑞·漢考克教授對談[J].國際新聞界，2020（03）：108-128.

[6]張倫，王成軍，許小可.計(jì)算傳播學(xué)導(dǎo)論[M].北京：北京師范大學(xué)出版社，2018.

[7]許小可，胡海波，張倫，王成軍.社交網(wǎng)絡(luò)上的計(jì)算傳播學(xué)[M].北京：高等教育出版社，2015.

[8]張倫.計(jì)算傳播學(xué)范式對傳播效果研究的機(jī)遇與挑戰(zhàn)[J].新聞與寫作，2020（05）：19-25.

[9]張倫，鐘智錦.社會化媒體公共事件話語框架比較分析[J].新聞?dòng)浾撸?017（02）：69-77.

[10]張倫，胥琳佳，易妍.在線社交媒體信息傳播效果的結(jié)構(gòu)性擴(kuò)散度[J].現(xiàn)代傳播（中國傳媒大學(xué)學(xué)報(bào)），2016（08）：130-135.

[11]塔娜.“計(jì)算傳播學(xué)”的發(fā)展路徑：概念、數(shù)據(jù)及研究領(lǐng)域[J].新聞與寫作，2020（05）：5-12.

[12]Vaswani A，Shazeer N，Parmar N，et al. Attention Is All You Need[J]. arXiv，2017.

[13]Liu S，Zhang X，Zhang S，et al. Neural Machine Reading Comprehension：Methods and Trends[J]. Applied Sciences，2019.

[14]李航.統(tǒng)計(jì)學(xué)習(xí)方法[M].北京：清華大學(xué)出版社，2012.